Upload 4 files

The v3 of training process with bug correction.

Dockerfile

@@ -16,7 +16,6 @@ ENV STREAMLIT_SERVER_ADDRESS=0.0.0.0
 RUN apt-get update && apt-get install -y \
     build-essential \
     curl \
-    software-properties-common \
     git \
     && rm -rf /var/lib/apt/lists/*
 
@@ -35,7 +34,6 @@ RUN mkdir -p models
 
 # Copier le code de l'application
 COPY app.py .
-COPY prepare_models_for_hf.py .
 
 # Créer un utilisateur non-root pour la sécurité
 RUN useradd --create-home --shell /bin/bash app && \
@@ -50,5 +48,5 @@ HEALTHCHECK --interval=30s --timeout=30s --start-period=5s --retries=3 \
     CMD curl -f http://localhost:8501/_stcore/health || exit 1
 
 # Commande de démarrage
-CMD ["streamlit", "run", "app.py", "--server.port=7860", "--server.address=0.0.0.0"]
+CMD ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]
 

app.py

@@ -36,29 +36,23 @@ class WasteClassifierUI:
     """Classe principale pour l'interface de classification de déchets."""
     
     def __init__(self):
-        self.model_v1 = None
         self.model_v2 = None
         self.class_names = ["Papier", "Plastique"]
         self.target_size = (96, 96)
         
-        # Chemins des modèles pour Hugging Face Spaces
+        # Chemins des modèles locaux
         self.models_dir = Path("models")
         self.models_dir.mkdir(exist_ok=True)
         
-        self.model_v1_path = self.models_dir / "waste_classifier_v1.h5"
+        # Utiliser uniquement le modèle v2 depuis Hugging Face
         self.model_v2_path = self.models_dir / "waste_classifier_v2.h5"
         
-        # URLs des modèles (à remplacer par vos URLs Hugging Face)
-        # Pour Docker, vous pouvez aussi utiliser des modèles locaux
-        self.model_v1_url = os.getenv('MODEL_V1_URL', "https://huggingface.co/360TechEnv/waste-classifier/resolve/main/models/waste_classifier_v1.h5")
+        # URL du modèle v2 sur Hugging Face
         self.model_v2_url = os.getenv('MODEL_V2_URL', "https://huggingface.co/360TechEnv/waste-classifier/resolve/main/models/waste_classifier_v2.h5")
         
-        # Vérifier si des modèles locaux existent (pour Docker)
-        local_v1 = Path("models/waste_classifier_v1.h5")
+        # Vérifier si le modèle v2 local existe (pour Docker)
         local_v2 = Path("models/waste_classifier_v2.h5")
         
-        if local_v1.exists():
-            self.model_v1_path = local_v1
         if local_v2.exists():
             self.model_v2_path = local_v2
         
@@ -85,67 +79,76 @@ class WasteClassifierUI:
             return False
     
     def load_models(self):
-        """Charge les modèles v1 et v2 avec gestion de compatibilité."""
+        """Charge le modèle v2 avec gestion de compatibilité."""
         try:
             # Configuration pour la compatibilité des modèles
             import tensorflow as tf
             tf.config.run_functions_eagerly(True)
             
-            # Télécharger le modèle v1 si nécessaire
-            if not self.model_v1_path.exists():
-                st.info("Téléchargement du modèle v1...")
-                if not self.download_model(self.model_v1_url, self.model_v1_path):
-                    st.warning("Impossible de télécharger le modèle v1")
-                else:
-                    st.success("Modèle v1 téléchargé avec succès!")
-            
-            # Charger le modèle v1 avec gestion d'erreur
-            if self.model_v1_path.exists():
-                try:
-                    # Essayer de charger avec compile=False pour éviter les problèmes de compatibilité
-                    self.model_v1 = load_model(self.model_v1_path, compile=False)
-                    # Recompiler le modèle avec les paramètres par défaut
-                    self.model_v1.compile(
-                        optimizer='adam',
-                        loss='categorical_crossentropy',
-                        metrics=['accuracy']
-                    )
-                    logger.info("Modèle v1 chargé avec succès")
-                except Exception as e:
-                    logger.error(f"Erreur lors du chargement du modèle v1: {e}")
-                    st.error(f"Erreur lors du chargement du modèle v1: {e}")
-            else:
-                logger.warning("Modèle v1 non disponible")
-                
-            # Télécharger le modèle v2 si nécessaire
+            # Télécharger le modèle v2 depuis Hugging Face
             if not self.model_v2_path.exists():
-                st.info("Téléchargement du modèle v2...")
+                st.info("Téléchargement du modèle v2 depuis Hugging Face...")
                 if not self.download_model(self.model_v2_url, self.model_v2_path):
                     st.warning("Impossible de télécharger le modèle v2")
                 else:
                     st.success("Modèle v2 téléchargé avec succès!")
+            else:
+                st.success("✅ Modèle v2 disponible!")
             
             # Charger le modèle v2 avec gestion d'erreur
             if self.model_v2_path.exists():
                 try:
-                    # Essayer de charger avec compile=False pour éviter les problèmes de compatibilité
-                    self.model_v2 = load_model(self.model_v2_path, compile=False)
-                    # Recompiler le modèle avec les paramètres par défaut
-                    self.model_v2.compile(
-                        optimizer='adam',
-                        loss='categorical_crossentropy',
-                        metrics=['accuracy']
-                    )
-                    logger.info("Modèle v2 chargé avec succès")
-                except Exception as e:
-                    logger.error(f"Erreur lors du chargement du modèle v2: {e}")
-                    st.error(f"Erreur lors du chargement du modèle v2: {e}")
+                    # Méthode 1: Chargement normal
+                    self.model_v2 = load_model(self.model_v2_path)
+                    logger.info("Modèle v2 chargé avec succès (méthode normale)")
+                except Exception as e1:
+                    logger.warning(f"Erreur avec chargement normal v2: {e1}")
+                    try:
+                        # Méthode 2: Chargement sans compilation
+                        self.model_v2 = load_model(self.model_v2_path, compile=False)
+                        self.model_v2.compile(
+                            optimizer='adam',
+                            loss='categorical_crossentropy',
+                            metrics=['accuracy']
+                        )
+                        logger.info("Modèle v2 chargé avec succès (sans compilation)")
+                    except Exception as e2:
+                        logger.warning(f"Erreur avec chargement sans compilation v2: {e2}")
+                        try:
+                            # Méthode 3: Créer un modèle de remplacement
+                            from tensorflow.keras.models import Sequential
+                            from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
+                            
+                            self.model_v2 = Sequential([
+                                Conv2D(32, (3, 3), activation='relu', input_shape=(96, 96, 3)),
+                                MaxPooling2D(2, 2),
+                                Conv2D(64, (3, 3), activation='relu'),
+                                MaxPooling2D(2, 2),
+                                Conv2D(64, (3, 3), activation='relu'),
+                                Flatten(),
+                                Dense(64, activation='relu'),
+                                Dropout(0.5),
+                                Dense(2, activation='softmax')
+                            ])
+                            
+                            self.model_v2.compile(
+                                optimizer='adam',
+                                loss='categorical_crossentropy',
+                                metrics=['accuracy']
+                            )
+                            
+                            logger.info("Modèle v2 de remplacement créé")
+                            st.warning("⚠️ Modèle v2: Utilisation d'un modèle de remplacement")
+                            
+                        except Exception as e3:
+                            logger.error(f"Erreur lors du chargement du modèle v2: {e3}")
+                            st.error(f"Erreur lors du chargement du modèle v2: {e3}")
             else:
                 logger.warning("Modèle v2 non disponible")
                 
         except Exception as e:
-            logger.error(f"Erreur lors du chargement des modèles: {e}")
-            st.error(f"Erreur lors du chargement des modèles: {e}")
+            logger.error(f"Erreur lors du chargement du modèle: {e}")
+            st.error(f"Erreur lors du chargement du modèle: {e}")
     
     def preprocess_image(self, img, target_size=(96, 96)):
         """Préprocesse une image pour la prédiction."""
@@ -243,29 +246,19 @@ class WasteClassifierUI:
         st.markdown("---")
         
         # Charger les modèles
-        if self.model_v1 is None or self.model_v2 is None:
+        if self.model_v2 is None:
             with st.spinner("Chargement des modèles..."):
                 self.load_models()
         
         # Sidebar pour la configuration
         st.sidebar.header("Configuration")
         
-        # Sélection du modèle
-        available_models = []
-        if self.model_v1 is not None:
-            available_models.append("Modèle v1")
-        if self.model_v2 is not None:
-            available_models.append("Modèle v2")
-        
-        if not available_models:
-            st.error("Aucun modèle disponible. Vérifiez la connexion internet et réessayez.")
+        # Vérifier que le modèle v2 est disponible
+        if self.model_v2 is None:
+            st.error("Modèle v2 non disponible. Vérifiez la connexion internet et réessayez.")
             return
         
-        selected_models = st.sidebar.multiselect(
-            "Sélectionnez les modèles à utiliser:",
-            available_models,
-            default=available_models
-        )
+        st.sidebar.success("✅ Modèle v2 chargé et prêt")
         
         # Upload d'image
         st.sidebar.header("Upload d'image")
@@ -290,27 +283,19 @@ class WasteClassifierUI:
                 
                 # Bouton de prédiction
                 if st.button("🔍 Classifier l'image", type="primary"):
-                    if not selected_models:
-                        st.warning("Veuillez sélectionner au moins un modèle.")
-                    else:
-                        with st.spinner("Classification en cours..."):
-                            # Préprocesser l'image
-                            img_array = self.preprocess_image(image_pil, self.target_size)
+                    with st.spinner("Classification en cours..."):
+                        # Préprocesser l'image
+                        img_array = self.preprocess_image(image_pil, self.target_size)
+                        
+                        if img_array is not None:
+                            # Faire la prédiction avec le modèle v2
+                            results = []
+                            result = self.predict_image(img_array, self.model_v2, "Modèle v2")
+                            results.append(result)
                             
-                            if img_array is not None:
-                                # Faire les prédictions
-                                results = []
-                                for model_name in selected_models:
-                                    if model_name == "Modèle v1" and self.model_v1 is not None:
-                                        result = self.predict_image(img_array, self.model_v1, "Modèle v1")
-                                        results.append(result)
-                                    elif model_name == "Modèle v2" and self.model_v2 is not None:
-                                        result = self.predict_image(img_array, self.model_v2, "Modèle v2")
-                                        results.append(result)
-                                
-                                # Stocker les résultats dans la session
-                                st.session_state['prediction_results'] = results
-                                st.session_state['uploaded_image'] = image_pil
+                            # Stocker les résultats dans la session
+                            st.session_state['prediction_results'] = results
+                            st.session_state['uploaded_image'] = image_pil
             else:
                 st.info("Veuillez uploader une image pour commencer la classification.")
         

requirements.txt

@@ -1,35 +1,90 @@
-# Dépendances pour l'application de classification de déchets
-# Compatible avec Hugging Face Spaces et déploiement local
-
-# Deep Learning
-tensorflow==2.13.0
-keras==2.13.1
-
-# Data Science et Machine Learning
-numpy>=1.24.0,<1.27.0
-pandas>=2.0.0,<2.2.0
-scikit-learn>=1.3.0,<1.4.0
-
-# Visualisation
-matplotlib>=3.7.0,<3.9.0
-seaborn>=0.12.0,<0.14.0
-
-# Image Processing
-Pillow>=10.0.0,<11.0.0
-opencv-python>=4.8.0,<4.9.0
-
-# Interface utilisateur
-streamlit>=1.28.0,<1.32.0
-
-# Utilitaires
-requests>=2.31.0,<2.32.0
-pathlib2>=2.3.7,<2.4.0
-
-# Logging et Configuration
-tqdm>=4.65.0,<4.67.0
-
-# Optimisations pour HF Spaces
-protobuf>=3.20.0,<4.0.0
-
-# Configuration
-python-dotenv>=1.0.0,<2.0.0
+absl-py==2.3.1
+altair==5.5.0
+astunparse==1.6.3
+attrs==25.3.0
+blinker==1.9.0
+cachetools==5.5.2
+certifi==2025.8.3
+charset-normalizer==3.4.3
+click==8.3.0
+contourpy==1.3.2
+cycler==0.12.1
+filelock==3.19.1
+flatbuffers==25.2.10
+fonttools==4.60.0
+fsspec==2025.9.0
+gast==0.6.0
+gitdb==4.0.12
+GitPython==3.1.45
+google-auth==2.40.3
+google-auth-oauthlib==1.2.2
+google-pasta==0.2.0
+grpcio==1.75.0
+h5py==3.14.0
+huggingface-hub==0.16.4
+idna==3.10
+importlib-metadata==6.11.0
+Jinja2==3.1.6
+joblib==1.5.2
+jsonschema==4.25.1
+jsonschema-specifications==2025.9.1
+keras==2.15.0
+kiwisolver==1.4.9
+libclang==18.1.1
+Markdown==3.9
+markdown-it-py==4.0.0
+MarkupSafe==3.0.2
+matplotlib==3.7.2
+mdurl==0.1.2
+ml-dtypes==0.2.0
+narwhals==2.5.0
+numpy==1.24.3
+oauthlib==3.3.1
+opencv-python==4.8.0.76
+opt_einsum==3.4.0
+packaging==23.2
+pandas==2.0.3
+pathlib2==2.3.7
+Pillow==10.0.0
+protobuf==3.20.3
+pyarrow==21.0.0
+pyasn1==0.6.1
+pyasn1_modules==0.4.2
+pydeck==0.9.1
+Pygments==2.19.2
+pyparsing==3.0.9
+python-dateutil==2.9.0.post0
+python-dotenv==1.0.0
+pytz==2025.2
+PyYAML==6.0.2
+referencing==0.36.2
+requests==2.31.0
+requests-oauthlib==2.0.0
+rich==13.9.4
+rpds-py==0.27.1
+rsa==4.9.1
+scikit-learn==1.3.0
+scipy==1.15.3
+seaborn==0.12.2
+six==1.17.0
+smmap==5.0.2
+streamlit==1.28.0
+tenacity==8.5.0
+tensorboard==2.15.2
+tensorboard-data-server==0.7.2
+tensorflow==2.15.0
+tensorflow-estimator==2.15.0
+tensorflow-io-gcs-filesystem==0.37.1
+termcolor==3.1.0
+threadpoolctl==3.6.0
+toml==0.10.2
+tornado==6.5.2
+tqdm==4.65.0
+typing_extensions==4.15.0
+tzdata==2025.2
+tzlocal==5.3.1
+urllib3==2.5.0
+validators==0.35.0
+Werkzeug==3.1.3
+wrapt==1.14.2
+zipp==3.23.0